投影寻踪耦合学习方法及应用——评价 预测 决策

本书采用先理论方法后实践应用的方式进行撰写，系统介绍了投影寻踪基本原理、统计学习方法及其多场景应用案例，为多方法耦合提供新思路，为复杂数据挖掘提供新方法，为数据科学问题解决提供新应用。全书内容包括投影寻踪研究进展综述、投影寻踪耦合学习原理、投影寻踪耦合学习算法、投影寻踪聚类耦合学习、投影寻踪回归耦合学习、投影寻踪函数型耦合学习、投影寻踪耦合学习评价、投影寻踪耦合学习预测和投影寻踪耦合学习决策。
本书可作为统计学习、数据科学和工程应用方向的研究及实践工作者的学习参考书。

张欣莉，四川大学，教授，主要从事管理科学与工程学科的项目管理、工程管理、服务管理、水资源管理等方面的教学及科研工作。为本科、工程硕士（ME）、工商管理硕士（MBA）、管理科学与工程硕士讲授有：《工程经济学》、《工程估价》、《项目成本管理》、《项目评估》、《项目风险管理》、《项目管理》、《专业外语》等课程，已顺利完成数百名硕士研究生的培养工作。主持参与完成托科研项目多项，发表学术论文50余篇，主编有《项目风险管理》、《工程经济学》、《水资源优化配置原理及方法》等著作，参编《项目管理学》、《工程估价》等书籍。连续多次获得四川大学青年骨干教师奖，校级奖励50余次、市级三等奖励1次、省级三等奖励3次，《工程经济学》精品在线开放课程负责人。

在数字时代，数据已然成为关键生产要素，数据分析方法也在社会经济的智慧化发展中发挥着关键作用。投影寻踪作为处理高维数据的统计方法，自出现以来就受到了理论及应用领域的持续关注，并随着神经网络和智能学习等方法及数据搜集技术的快速发展与时俱进。投影寻踪方法以其思维的先进性形成了“投影寻踪族”的方法体系，成为探索性数据分析的利器，在工程、医疗、经济、环境等诸多领域的分类、识别、判别、评价、预测和决策等方面有着广泛应用。
本书在总结投影寻踪方法研究成果的基础上，基于生产要素再组合的创新发展观，以确定性组合应对不确定性变化的思想，提出投影寻踪耦合学习方法及其应用。从统计学习视角，围绕统计学经典领域，设计投影寻踪耦合学习的具体方法内容；以数据驱动的智能学习技术，给出投影寻踪耦合学习算法；结合多领域的分类、判别、评价、预测与决策的应用需求，示范投影寻踪耦合方法解决实际问题的思路和模型案例。全书分为9章，分别为绪论、投影寻踪耦合学习原理、投影寻踪耦合学习算法、投影寻踪聚类耦合学习、投影寻踪回归耦合学习、投影寻踪函数型耦合学习、投影寻踪耦合学习评价、投影寻踪耦合学习预测、投影寻踪耦合学习决策。其中第1、5、6、8、9章由张欣莉撰写，第2～4、7章由王顺久撰写。
本书针对数据特征混合的复杂性，提出了耦合学习思维及路径，通过理论→方法→应用拓展的方式呈现。书中实例涉及工程、医疗、水资源与环境等领域的定量分析，可为相关领域开展评价、预测与决策工作提供工具方法。本书可作为数据科学、商业分析和工程学等领域的参考书。
感谢数字化时代带来的机遇与挑战，感谢先贤们的创新贡献，感谢编辑部的努力付出，感谢学生们的探索与实践，感谢家人们的鼓励支持! 本书是笔者在已有研究基础上，结合国内外最新理论进展和实践应用写成，书中借鉴了诸多学者的观点及方法精髓，在此深表谢意。因本书突出应用性，书中不足之处敬请读者谅解，恳请批评指正与交流。

著者
2023年12月

第1章　绪论 001
1.1　耦合背景 001
1.1.1 数据特征 001
1.1.2 统计学习 003
1.1.3 耦合创新 004
1.2　耦合历程 005
1.2.1 思想产生 005
1.2.2 一次创新 007
1.2.3 二次创新 009
1.2.4 创新趋势 014
1.3　基本内容 017
1.3.1 目标 017
1.3.2 内容 019
1.3.3 路线 021
1.4　本章小结 022
参考文献 023

第2章　投影寻踪耦合学习原理 028
2.1　投影寻踪思想 028
2.1.1 基本思路 028
2.1.2 投影方向 030
2.1.3 投影指标 031
2.2　基本统计方法 032
2.2.1 聚类分析 033
2.2.2 判别分析 035
2.2.3 密度估计 037
2.2.4 多元回归 038
2.2.5 离群点检测 039
2.2.6 时间序列 040
2.3　人工神经网络 041
2.4　耦合学习 042
2.4.1 耦合基础 042
2.4.2 耦合路径 044
2.4.3 耦合特点 048
2.5　本章小结 049
参考文献 050

第3章　投影寻踪耦合学习算法 052
3.1　最佳投影方向 052
3.1.1 基本内涵 052
3.1.2 优化历程 053
3.2　投影指标 055
3.2.1 投影聚类指标 055
3.2.2 线性投影判别指标 055
3.2.3 Posse投影判别指标 056
3.2.4 投影回归指标 056
3.2.5 投影密度指标 057
3.3　遗传算法 057
3.3.1 基本思路 057
3.3.2 基本步骤 058
3.3.3 基本特点 060
3.4　投影智能优化算法 061
3.4.1 智能优化思路 061
3.4.2 数据预处理 062
3.4.3 遗传优化步骤 064
3.5　算法实现 066
3.5.1 耦合转化 066
3.5.2 程序执行 067
3.5.3 算法特点 068
3.6　本章小结 069
参考文献 070

第4章　投影寻踪聚类耦合学习 071
4.1　产生背景 071
4.2　聚类原理 073
4.3　投影静态聚类耦合学习 076
4.3.1 学习原理 076
4.3.2 算法流程 078
4.3.3 注意事项 080
4.4　投影动态聚类耦合学习 081
4.4.1 学习原理 081
4.4.2 算法流程 083
4.5　多维投影强化学习 085
4.5.1 学习原理 085
4.5.2 算法流程 086
4.6　高维离群点检测 088
4.6.1 检测原理 088
4.6.2 基于假设检验的检测 088
4.6.3 基于聚类的检测 089
4.7　本章小结 090
参考文献 091

第5章　投影寻踪回归耦合学习 093
5.1　投影寻踪回归原理 093
5.1.1 投影寻踪回归函数 093
5.1.2 非参数投影寻踪回归 094
5.1.3 参数优化策略 096
5.2　投影寻踪回归与神经网络 098
5.2.1 神经网络 098
5.2.2 两方法比较 101
5.3　投影寻踪回归网络学习 103
5.3.1 学习网络结构 104
5.3.2 网络神经元函数 105
5.3.3 参数分类优化学习 108
5.4　投影寻踪回归模糊推理学习 112
5.4.1 基本原理 112
5.4.2 模糊隶属度 114
5.4.3 模糊推理 116
5.4.4 学习路线 117
5.5　基于投影寻踪回归学习的离群点检测 119
5.5.1 检测原理 119
5.5.2 学习流程 120
5.6　本章小结 120
参考文献 122

第6章　投影寻踪函数型耦合学习 124
6.1　函数型数据分析 124
6.1.1 基本概念 125
6.1.2 函数型主成分 126
6.1.3 函数型聚类 127
6.1.4 函数型回归 128
6.2　投影寻踪函数型主成分 129
6.2.1 基本原理 129
6.2.2 基本模型 130
6.2.3 学习流程 131
6.3　投影寻踪函数型聚类 132
6.3.1 基本原理 132
6.3.2 基本模型 133
6.3.3 学习流程 133
6.4　投影寻踪函数型回归 134
6.4.1 基本原理 134
6.4.2 模型构建 135
6.4.3 学习流程 137
6.5　投影寻踪函数型检验 138
6.5.1 正态检验 138
6.5.2 异常值检验 140
6.6　本章小结 141
参考文献 142

第7章　投影寻踪耦合学习评价 144
7.1　综合评价原理 144
7.1.1 综合评价类型 145
7.1.2 评价指标体系 148
7.2　监督综合评价 149
7.2.1 有监督综合评价 149
7.2.2 无监督综合评价 154
7.3　投影寻踪聚类学习评价 156
7.3.1 建模思路 156
7.3.2 学习过程 156
7.3.3 水质评价 158
7.3.4 结果分析 163
7.4　本章小结 166
参考文献 167

第8章　投影寻踪耦合学习预测 169
8.1　统计预测基本原理 169
8.1.1 预测分类 169
8.1.2 单途径预测 170
8.1.3 耦合预测 172
8.1.4 损失函数 174
8.2　投影寻踪回归网络学习预测 177
8.2.1 对象分析 177
8.2.2 预测模型 179
8.2.3 预测结果 180
8.3　投影寻踪回归模糊推理学习预测 182
8.3.1 对象分析 183
8.3.2 预测模型 184
8.3.3 预测结果 186
8.4　本章小结 186
参考文献 187

第9章　投影寻踪耦合学习决策 189
9.1　统计决策基础 189
9.1.1 多准则决策 190
9.1.2 多准则综合效用 191
9.1.3 多准则统计学习决策 193
9.2　投影寻踪聚类学习决策 194
9.2.1 基本思路 194
9.2.2 投资方案决策 194
9.2.3 关键问题 198
9.3　投影寻踪回归学习决策 199
9.3.1 基本思路 199
9.3.2 投标决策基础 199
9.3.3 投标决策模型 202
9.3.4 应用结果 204
9.4　本章小结 211
参考文献 211

结语 214